Seminar Nasional Sains & Teknologi V

Lembaga Penelitian Universitas Lampung

19-20 November 2013

MODEL KLASIFIKASI MENGGUNAKAN METODE REGRESI LOGISTIK

DAN MULTIVARIATE ADAPTIVE REGRESSION SPLINES (MARS)
(Studi Kasus: Data Survei Biaya Hidup (SBH) Kota Kediri Tahun 2012)

Sumarno1), dan Bambang Widjanarko Otok2)

Institut Teknologi Sepuluh Nopember, Jurusan Statistika

Arief Rahman Hakim, Surabaya 60111, Indonesia
1)
Mahasiswa S2 Jurusan Statistika ITS, Surabaya,
2)
Jurusan Statistika FMIPA ITS, Surabaya
Surel: kayla_marno@yahoo.com.

ABSTRACT

Good classification method should give the least misclassification rates. The Logistic
Regression and Multivariate Adaptive Regression Spline (MARS) model was some of
classification method which often used when there were any categorical variable of
response, wanted to be predicted with categorical or continous type of predictor
variable. This research aim to get the best model among the two on classification, taking
the case of study of household preference on clothing shopping place in Kediri, and its
influencing variables, based on 2012s Cost of Living Surveys (SBH). Method
performance is measured by its accuracy rate, Noise Signal Ratio (NSR) and G-Mean
from classification table. The classification using logistic regression shows that
response variable were only influenced by household income, numbers of household
member, the education level of household leader, car ownership, the source of
household income, and nod food expenditure percentage. Meanwhile, the result given
by MARS added two more influenced variables named the age of household leader and
housing ownership statuses. The accuracy rate, NSR, and G-mean performance gained
by MARS method reached consecutively 71.2, 26.2, and 60.6 percent, Meanwhile the
same results by Logistic Regression consecutively shows only 70.6, 30.3, and 36.3
percent. It was lead to the conclusion that in this case of study, classification using
MARS performs better than Logistic Regression.

Keywords: classification, logistic regression, MARS, SBH

PENDAHULUAN

Pasar sebagai salah satu fasilitas perbelanjaan selama ini sudah menyatu dan
memiliki tempat penting dalam kehidupan masyarakat. Pasar atau tempat berbelanja
barang dapat dibedakan menjadi dua, yaitu pasar modern dan bukan pasar modern.
Pasar modern yang dimaksud disini adalah yang terdiri dari Supermarket, Hypermarket,
Minimarket, Swalayan dan Depertement Store, sedangkan yang dikategorikan bukan
pasar modern yaitu pasar tradisional, toko/warung, pedagang keliling dan lainnya.

38
 Seminar Nasional Sains & Teknologi V
Lembaga Penelitian Universitas Lampung
19-20 November 2013

Seiring dengan kemunculan pusat-pusat pembelajaan pasar modern di Kota Kediri

belakangan ini merupakan cermin terjadinya perubahan gaya hidup masyarakat di Kota
Kediri. Berdasarkan data dari Dinas Perindustrian, Perdagangan, Pertambangan dan
Energi Pemerintah Kota Kediri, pada tahun 2012 Kota Kediri yang hanya terdiri dari 3
kecamatan memiliki 23 pasar tradisional yang sebarannya merata hampir ke seluruh
wilayah Kota Kediri, dan memiliki 41 pusat perbelanjaan modern yang terdiri dari: 31
minimarket, 1 supermarket, 3 departemen store dan 6 hypermarket, di mana sebaran
untuk minimarket juga hampir merata ke seluruh wilayah Kota Kediri, sedangkan untuk
supermarket, departemen store dan hypermarket cenderung mengelompok pada daerah-
daerah tertentu, seperti di Jl. Panglima Sudirman, Jl. Hasanudin, Jl. Hayam Muruk, dan
Jl. Brigjen Katamso. Ke empat lokasi ini merupakan pusat-pusat keramaian di Kota
Kediri.
Menurut Rahardja (2010) konsep preferensi berkaitan dengan kemampuan
konsumen menyusun prioritas pilihan agar dapat mengambil keputusan. Sehingga dapat
dikatakan seorang konsumen akan mengatur pembeliannya sesuai dengan pendapatan
yang dimilikinya dengan memilih berbelanja di pasar tradisional atau di ritel modern.
Dalam hal pengambilan keputusan untuk memilih tempat berbelanja di pasar modern
atau bukan pasar modern, tentu saja akan lebih menarik untuk dilakukan penelitian lebih
lanjut dengan mengklasifikasikan sehingga dapat diketahui faktor-faktor apa saja yang
mempengaruhi rumah tangga dalam menentukan pilihannya berbelanja di pasar modern
atau bukan pasar modern di Kota Kediri.
Penelitian ini akan menggunakan dua teknik modelling yaitu regresi logistik dan
MARS tujuannya untuk mendapatkan model yang ideal mengenai faktor-faktor yang
mempengaruhi tempat berbelanja barang kebutuhan sandang rumah tangga di Kota
Kediri tahun 2012 yaitu di pasar modern atau bukan pasar modern kemudian dari model
yang sudah didapatkan akan ditentukan metode mana yang lebih tepat untuk
dipergunakan pada klasifikasi tempat berbelanja barang kebutuhan sandang rumah
tangga di Kota Kediri tahun 2012. Pengukuran performa klasifikasi menggunakan nilai
ketepatan klasifikasi (Accuracy), Noise Signal Ratio (NSR) dan Geometric Mean (G-
Mean).

39
 Seminar Nasional Sains & Teknologi V
Lembaga Penelitian Universitas Lampung
19-20 November 2013

Regresi Logistik

Analisis regresi logistik adalah analisis yang digunakan untuk melihat hubungan
antara variabel respon kategorik dengan variabel-variabel prediktor kategorik maupun
kontinyu (Agresti, 2002). Regresi logistik dapat digunakan untuk pengklasifikasian
sejumlah objek ke dalam dua kelompok, karena variabel respon (Y) hanya terdiri dari
dua kategori (misal: 1 dan 0).
Bentuk umum fungsi regresi logistik dengan k variabel prediktor diformulasikan
exp( 0 1 x1 2 x2 ... k xk )
sebagai berikut: ( x) , i = Nilai
1 exp( 0 1 x1 2 x2 ... k xk )

parameter ke-i dan i = 1,2,..., k

Transformasi logit dari ( x) menghasilkan persamaan sebagai berikut (Hosmer

( x)
dan Lameshow, 2000): g ( x) ln 0 1 x1 2 x2 ... k xk
1 ( x )

Pendugaan Parameter

Model regresi logistik dengan variabel respon bernilai 0 atau 1 dimana antar
pengamatan diasumsikan saling bebas maka penduga parameter diperoleh dengan
metode Maximum Likelihood Estimation (MLE). Pada dasarnya prinsip dari pendugaan
maksimum likelihood adalah dengan mencari nilai dari dengan memaksimumkan
nilai dari fungsi likelihood L( 0 , 1 ,..., k ) . Karena setiap pengamatan diasumsikan
saling bebas, maka fungsi likelihood merupakan fungsi kepadatan gabungan yaitu:

L( ) i 1 f ( , yi ) . Berhubung variabel respon regresi logistik mengikuti sebaran

n

distribusi bernoulli, sehingga fungsi likelihood menjadi

L( ) i 1[ ( xi )]yi [1 ( xi )]1 yi , dimana ( xi ) menunjukkan nilai ( x) ke- xi dapat

n

ditulis menjadi:
n
ln[ L( )] yi ( 0 1 xi1 ... k xik ) ln(1 exp( 0 1 xi1 ... k xik )) 1 .
i 1

Untuk mendapatkan nilai yang memaksimalkan L( ) maka perlu

mendifferensialkan L( ) terhadap ( 0 , 1 , 2 ,..., k ) dan membuat persamaan yang

40
 Seminar Nasional Sains & Teknologi V
Lembaga Penelitian Universitas Lampung
19-20 November 2013
n
diperoleh sama dengan nol, dengan demikian diperoleh: [ y
i 1
i (xi )] 0dan

y x
i 1
i ij xij ( xi ) 0 dengan j = 1,2,..., k. Hasil dari turunan pertama biasanya

dimasukkan dalam sebuah vektor, yang disebut vector gradient (g ) . Sedangkan turunan
kedua hasilnya dimasukkan dalam matriks yang disebut matriks Hessian (H ) , dengan

2 L( 0 , 1 ,..., k )
i 1 xij xiw ( xi )(1 ( xi )) ,
n
bentuk umum turunannya adalah:
j w

dimana j,w =0,1,2,...,k.

Uji Signifikansi Parameter

a. Uji Serentak
Adapun hipotesis yang digunakan dalam pengujian ini adalah:
H 0 : 1 2 ... k 0 H1 : Paling sedikit ada satu j 0 , dengan j = 1,2,..., k.

L
Statistik Uji-G dirumuskan sebagai: G 2 ln 0
L1
dimana L0 Penduga likelihood tanpa variabel prediktor

L1 Penduga likelihood dengan variabel prediktor (model penuh).

Hipotesis nol ( H 0 ) akan ditolak jika nilai Ghitung 2( k , ) atau Pvalue .

b. Uji Parsial

Hipotesis yang digunakan dalam pengujian ini adalah:

H0 : j 0 H1 : j 0 , dengan j = 1,2,..., k.

j
Statistik uji Wald dirumuskan sebagai berikut: W ; j 0,1, 2,..., k
SE ( j )

dimana j adalah nilai penduga untuk parameter j dengan SE ( j ) merupakan

dugaan galat baku untuk parameter j . Jika nilai Pvalue atau W j2 (2 ,1) dimana

adalah taraf signifikansi atau tingkat kesalahan yang ditentukan, maka variabel
prediktor mempengaruhi variabel respon.

41
 Seminar Nasional Sains & Teknologi V
Lembaga Penelitian Universitas Lampung
19-20 November 2013

c. Interpretasi Koefisian Parameter

Interpretasi model regresi logistik dilakukan dengan melihat nilai odds ratio
(OR) pada masing-masing variabel dengan menganggap variabel lain konstan, OR
didefinisikan sebagai pembanding antara dua nilai logit pada X = 1 dan X = 0, maka:
exp( 0 j ) 1

(1) / [1 (1)] 1 exp( 0 j ) 1 exp( 0 ) exp( 0 j )
OR exp( j )
(0) / [1 (0)] exp( 0 ) 1 exp( 0 )
1 exp( ) 1 exp( )
0 0 j

Sehingga OR exp( j ) dan ln OR ( j )

Pemodelan Multivariate Adaptive Regression Splines (MARS)

Pada dasarnya MARS merupakan kombinasi yang kompleks dari Spline dan

Recursive Partitioning Regression (RPR). Menurut Dillon (1978) dan Sharma (1996)

metode MARS merupakan salah satu metode untuk klasifikasi statistik modern yang

sudah memanfaatkan fleksibilitas model dan menduga suatu distribusi di dalam masing-

masing kelas yang pada akhirnya menyediakan suatu aturan pengelompokan. Untuk

penentuan knot yaitu menggunakan algoritma forward stepwise dan backward

stepwise. Pemilihan model yang paling optimum (terbaik) dalam model MARS yaitu

jika nilai GCV dari model tersebut mempunyai nilai GCV yang paling rendah

(minimum) diantara model-model lain.

Menurut Friedman (1991) setelah dilakukan modifikasi model RPR, diperoleh

M Km
model MARS adalah sebagai berikut: f ( x) a0 am [ skm .( xv ( k ,m ) tkm )] i
m 1 k 1

Model MARS di atas dapat disajikan sebagai berikut:

M Km
yi a0 am Bm ( x) i dimana, Bm ( x) [ skm ( xv ( k ,m ) tkm )]
m 1 m 1

42
 Seminar Nasional Sains & Teknologi V
Lembaga Penelitian Universitas Lampung
19-20 November 2013

METODE

Data yang akan digunakan dalam penelitian ini adalah data skunder dari Badan
Pusat Statistik (BPS) mengenai data rumah tangga hasil Survei Biaya Hidup tahun 2012
(SBH 2012) di Kota Kediri, dengan jumlah sampel rumah tangga SBH 2012 sebanyak
1.600 rumah tangga. Unit observasi/analisis dari penelitian ini adalah rumah tangga.
Dari data ini kemudian diolah menggunakan program SPSS 20 dan paket MARS 2.0.
Dalam penelitian ini variabel-variabel yang diduga berhubungan atau
berpengaruh terhadap tempat berbelanja barang kebutuhan sandang rumah tangga (Y) di
Kota Kediri tahun 2012 adalah variabel pendapatan rumah tangga (X1), umur kepala
rumah tangga (X2), banyaknya anggota rumah tangga (X3), jenis kelamin kepala rumah
tangga (X4), pendidikan terakhir kepala rumah tangga (X5), status penguasaan bangunan
tempat tinggal (X6), kepemilikan mobil (X7), sumber pendapatan utama rumah tangga
(X8) dan persentase pengeluaran untuk kelompok non makanan (X9).
Untuk mencapai tujuan dari penelitian ini maka dilakukan langkah-langkah
sebagai berikut:
1. Pemisahan data penelitian menjadi 2 bagian, yaitu data training (sebanyak 1.440
rumah tangga) dan testing (sebanyak 160 rumah tangga) untuk validasi.
2. Untuk mendapatkan model dengan regresi logistik tahapannya sebagai berikut:
a. Mendefinisikan variabel respon dan prediktor dalam pembentukan model.
b. Menduga parameter model dengan menggunakan MLE.
c. Melakukan uji simultan dengan menggunakan statistik uji-G.
d. Melakukan uji parsial dengan menggunakan statistik uji wald.
e. Dari langkah (a) sampai dengan (d) dapat diketahui variabel-variabel prediktor
(X) apa saja yang mempengaruhi variabel respon (Y).
f. Menginterpretasikan model.
3. Untuk mendapatkan model dengan MARS, dilakukan tahapan sebagai berikut:
a. Mendefinisikan variabel respon (Y) dan variabel prediktor (X).
b. Menentukan model terbaik, diperoleh dengan cara trial and error sampai
didapatkan model dengan nilai GCV minimum. Tahapannya sebagai berikut:
Menentukan maksimum fungsi basis (BF) yaitu 2 sampai 4 kali banyaknya
variabel prediktor.
Menentukan jumlah maksimum interaksi (MI) yaitu 1, 2, dan 3.

43
 Seminar Nasional Sains & Teknologi V
Lembaga Penelitian Universitas Lampung
19-20 November 2013

Menentukan minimal jumlah pengamatan setiap knot atau observasi

minimum (MO) antar knot sebanyak 0, 1, 2, atau 3 (Friedman, 1991).
c. Mengulangi langkah (b) sampai didapat model dengan nilai GCV minimum dan
tingkat ketepatan klasifikasi terbesar.
d. Dari urutan hasil tersebut diatas akan diperoleh variabel-variabel yang
berpengaruh secara signifikan dari pembentukan model MARS.
e. Menginterpretasikan model MARS terbaik.
4. Menentukan metode mana yang mempunyai performa terbaik antara metode regresi
logistik dan metode MARS dengan membandingkan nilai Accuracy, Noise Signal
Ratio (NSR) dan G-Mean.

HASIL DAN PEMBAHASAN

Pemodelan dengan Regresi Logistik

Dari hasil pengolahan dengan menggunakan SPSS 20 diperoleh model regresi

logistik, dimana dari 9 variabel prediktor yang diduga mempengaruhi variabel respon,
ternyata hanya ada 6 variabel saja yang secara signifikan mempengaruhi tempat
berbelanja barang kebutuhan sandang rumah tangga di Kota Kediri (nilai signifikasinya
kurang dari 0, 05) yaitu: pendapatan rumah tangga (X1), banyaknya anggota rumah
tangga (X3), pendidikan terakhir kepala rumah tangga (X5), kepemilikan mobil (X7),
sumber pendapatan utama rumah tangga (X8) dan persentase pengeluaran untuk
kelompok non makanan (X9). Dengan tingkat accuracy sebesar 70,0 persen untuk data
training dan setelah di validasi dengan data testing naik menjadi 70,6 persen, NSR dan
G-Mean masing-masing 30,3 persen dan 36,3 persen.
Sehingga model regresi logistik yang didapatkan adalah sebagai berikut:
exp(0,989 0,000 X 1 0,089 X 3 0,764 X 5 (1) 0, 476 X 5 (2) 0,811X 7 (1) 0, 270 X 8 (1) 0,000 X 9 )
( x)
1 exp(0,989 0,000 X 1 0,089 X 3 0,764 X 5 (1) 0, 476 X 5 (2) 0,811X 7 (1) 0, 270 X 8 (1) 0,000 X 9 )

atau apabila dilakukan transformasi logit maka persamaan di atas menjadi:

( x)
g( x) ln 0,989 0, 000 X 1 0, 089 X 3 0, 764 X 5 (1) 0, 476 X 5 (2) 0,811X 7 (1) 0, 270 X 8 (1) 0, 000 X 9
1 ( x )

44
 Seminar Nasional Sains & Teknologi V
Lembaga Penelitian Universitas Lampung
19-20 November 2013

Dari output SPSS diperoleh nilai Exp(B) atau nilai Odds Ratio (OR) untuk (X1),
(X3), (X5(1)), (X5(2)), (X8) dan (X9) masing-masing sebesar: 1,000, 0,914, 0,466, 0,621,
0,445, 0763 dan 1,000 dapat diambil kesimpulan sebagai berikut:
o Variabel X1, dengan nilai OR=1,000: Jika pendapatan rumah tangga bertambah 1
rupiah, maka kecenderungan rumah tangga tersebut berbelanja di pasar modern
berlipat sebanyak 1,000 kali dengan asumsi variabel lainnya konstan.
o Variabel X3, dengan nilai OR=0,914: Jika banyaknya anggota rumah tangga
bertambah 1 orang, maka kecenderungan rumah tangga tersebut berbelanja di
pasar modern berlipat sebanyak 0,914 kali atau menurun sebesar (1/0,914) 1,09
kali dengan asumsi variabel lainnya konstan.
o Variabel X9, dengan nilai OR=1,000: Jika rumah tangga persentase pengeluaran
untuk kelompok non makanan bertambah 1 persen, maka kecenderungan rumah
tangga tersebut berbelanja di pasar modern berlipat sebanyak 1,000 kali dengan
asumsi variabel lainnya konstan.

Pemodelan dengan MARS

Pembentukan model MARS dilakukan dengan cara trial and error terhadap
maksimum Basis Fungsi (BF), Maksimum Interaksi (MI), dan minimum jumlah
pengamatan diantara knot atau Minimum Observasi (MO) sampai diperoleh model
optimal dengan nilai GCV dan MSE minimum. Dari cara trial and error terhadap
kombinasi antara BF, MI dan MO, Maka diperoleh model yang terbaik adalah model
35. Model MARS yang terbentuk memiliki nilai GCV dan MSE terkecil sebesar 0,202
dan 0,194 dengan 8 variabel prediktor yang berpengaruh terhadap tempat berbelanja
barang kebutuhan sandang rumah tangga di Kota Kediri, tingkat ketepatan klasifikasi
data training sebesar 70,56 persen, dan setelah divalidasi dengan data testing naik
menjadi 71,2 persen, nilai NSR dan G-Mean sebesar 26,2 persen dan 60,6 persen.
Model 35 ini merupakan kombinasi antara BF=36, MI=3, dan MO=2. Sehingga
persamaan model MARS adalah sebagai berikut:
Y = 0,764 0,868E-07*BF2 + 0,427E-08* BF6 + 0,424E-07*BF7 0,162E-07*BF9
0,241E-07*BF13 + 0,017*BF22 0,448E-07*BF26 + 0,217E-07*BF29
0,116E-07*BF30 0,008*BF36
dimana,

45
 Seminar Nasional Sains & Teknologi V
Lembaga Penelitian Universitas Lampung
19-20 November 2013

BF2 = max(0, 6788333.000 - PENDAPAT) BF3 = ( MOBIL = 0)*BF2

BF6 = max(0, 34.000 - UMUR )*BF3 BF7 = (PENDIDIK = 3)*BF3
BF9 = ( SUMBER = 0)*BF3 BF13 = max(0, JMLART -
1.000)*BF3
BF17 = (PENDIDIK = 2 OR PENDIDIK = 3) BF19 = ( MOBIL = 0)
BF22 = max(0, 48.420 - NONMAKAN )*BF17 BF30 = ( RUMAH = 0) * BF29
BF24 = max(0, 30.470 - NONMAKAN )*BF17 BF34 = ( RUMAH = 1)*BF19
BF26 = max(0, 4878000.000 - PENDAPAT )*BF24 BF29 = max(0, JMLART -
1.000)*BF2
BF36 = max(0, 52.000 - UMUR )*BF34
Interpretasikan dari koefisien-koefisien fungsi basis pada model MARS di atas
adalah sebagai berikut:
o Koefisien BF2 = max(0, 6788333.000 - PENDAPAT ) dengan koefisien -0,869E-
07: Artinya, koefisien BF2 akan bermakna jika nilai pendapatan rumah tangga (X1)
lebih kecil dari 6788333 rupiah maka setiap kenaikan fungsi basis (BF2) dapat
mengurangi resiko rumah tangga berbelanja barang kebutuhan sandang di pasar
modern sebesar 0,869E-07 dengan rata-rata pendapatan rumah tangga kurang dari
6788333 rupiah.
o BF6 = max(0, 34.000 - UMUR ) * BF3 dengan koefisien 0,427E-08:
Artinya, koefisien BF6 akan bermakna jika umur kepala rumah tangga (X2) lebih
kecil dari 34 tahun dan kepemilikan mobil (X7) adalah tidak memiliki mobil dan
pendapatan rumah tangga (X1) lebih kecil dari 6788333 rupiah maka setiap
kenaikan satu fungsi basis (BF6) dapat menambah resiko rumah tangga berbelanja
barang kebutuhan sandang di pasar modern sebesar 0,427E-08 dengan rata-rata
umur kepala rumah tangga (X2) kurang dari 34 tahun dan rata-rata pendapatan
rumah tangga (X1) kurang dari 678833 rupiah.
o Koefisien BF36 = max(0, 52.000 - UMUR ) * BF34 dengan koefisien -0,008:
Artinya, koefisien BF36 akan bermakna jika umur kepala rumah tangga (X2) lebih
besar dari 52 tahun dan status penguasaan bangunan tempat tinggal (X6) adalah
milik sendiri dan kepemilikan mobil (X7) adalah tidak memiliki mobil maka setiap
kenaikan satu fungsi basis (BF36) dapat mengurangi resiko rumah tangga

46
 Seminar Nasional Sains & Teknologi V
Lembaga Penelitian Universitas Lampung
19-20 November 2013

berbelanja barang kebutuhan sandang di pasar modern sebesar 0,008 dengan rata-
rata umur kepala rumah tangga (X2) lebih dari dari 52 tahun.

Ketepatan Klasifikasi pada Model Regresi Logistik

Dengan menggunakan regresi logistik, Ketepatan klasifikasi yang dihasilkan

sebesar 70,0 persen untuk data training dan setelah divalidasi dengan data testing naik
sebesar 70,6 persen, nilai NSR sebesar 30,3 persen dan nilai G-Mean sebesar 36,3
persen.

Ketepatan Klasifikasi pada Model MARS

Dengan menggunakan metode MARS, ternyata Ketepatan klasifikasi yang

dihasilkan sebesar 70,6 persen untuk data training dan divalidasi dengan data testing
naik menjadi 71,2 persen, nilai NSR sebesar 26,2 persen dan nilai G-Mean sebesar 60,6
persen.

KESIMPULAN

1. Dari hasil klasifikasi dengan model regresi logistik didapatkan hanya 6 variabel
yang mempengaruhi tempat berbelanja barang kebutuhan sandang rumah tangga di
Kota Kediri yaitu: (X1), (X3), (X5), (X7), (X8) dan (X9). Model regresi logistik yang
diperoleh adalah sebagai berikut:
g ( x) 0,989 0, 000 X 1 0, 089 X 3 0, 764 X 5 (1) 0, 476 X 5 (2) 0,811X 7 (1) 0, 270 X 8 (1) 0, 000 X 9

Sedangkan dari hasil klasifikasi dengan model MARS variabel prediktor yang
berpengaruh bertambah menjadi 8 variabel yaitu: (X1),(X2),(X3),(X5),(X6),(X7),(X8)
dan (X9). Model MARS yang diperoleh sebagai berikut:
Y = 0,764 0,868E-07*BF2 + 0,427E-08* BF6 + 0,424E-07*BF7 0,162E-
07*BF9
0,241E-07*BF13 + 0,017*BF22 0,448E-07*BF26 + 0,217E-07*BF29
0,116E-07*BF30 0,008*BF36
Dengan:
BF2 = max(0, 6788333.000 - PENDAPAT) BF3 = ( MOBIL = 0)*BF2

47
 Seminar Nasional Sains & Teknologi V
Lembaga Penelitian Universitas Lampung
19-20 November 2013

BF6 = max(0, 34.000 - UMUR )*BF3 BF7 = (PENDIDIK =

3)*BF3
BF9 = ( SUMBER = 0)*BF3 BF13 = max(0, JMLART -
1.000)*BF3
BF17 = (PENDIDIK = 2 OR PENDIDIK = 3) BF19 = ( MOBIL = 0)
BF22 = max(0, 48.420 - NONMAKAN )*BF17 BF30 = ( RUMAH = 0) *
BF29
BF24 = max(0, 30.470 - NONMAKAN )*BF17 BF34 = ( RUMAH =
1)*BF19
BF26 = max(0, 4878000.000 - PENDAPAT )*BF24 BF29 = max(0, JMLART -
1.000)*BF2
BF36 = max(0, 52.000 - UMUR )*BF34
2. Berdasarkan penghitungan ketepatan klasifikasi dalam model maka metode MARS
mempunyai ketepatan klasifikasi yang lebih baik jika dibandingkan dengan regresi
logistik yaitu sebesar 71,2 persen untuk data testing, nilai NSR yaitu sebesar 26,2
persen dan nilai G-Mean yaitu sebesar 60,6 persen. sehingga dalam kasus ini
metode yang tepat untuk mengklasifikasikan terhadap tempat berbelanja barang
kebutuhan sandang rumah tangga di Kota Kediri lebih tepat menggunakan metode
MARS.

UCAPAN TERIMA KASIH

Penulis mengucapkan terima kasih kepada Bapak Dr. Bambang Widjanarko

Otok, M.Si atas bimbingan dan saran-saran yang diberikan selama ini.

DAFTAR PUSTAKA

Agresti, A, (2002), Categorical Data Analysis, John Wiley & Sons, Hoboken, New
Jersey.

BPS, (2012), Pedoman Survei Biaya Hidup 2012, Badan Pusat Statistik, Jakarta.

Dillon, W.R, (1978), On The Performance of Some Multinomial Classification Rules,

Journal of American Statistical Association, vol 73:305-313

Friedman, J.H, (1991), Multivariate Adaptive Regression Spline, The Annals of

Statistics, Vol.19, No.1.(Mar., 1991).Hlm 1-67

48
 Seminar Nasional Sains & Teknologi V
Lembaga Penelitian Universitas Lampung
19-20 November 2013

Hosmer, D.W., dan Lemeshow, S., (2000), Applied Logistic Regression, Second
Edition, John Wiley and Sons.

Kubat, M., dan Matwin, S., (1997), Addressing the Curse of Imbalanced Training Sets:
One-Sidded Selection, in Proc.of the 14th Intl. Conf.on Machine Learning, Hlm.
179-186.

Rahardja, P, (2010), Teori Mikroekonomi, Lembaga Penerbit FE UI, Jakarta.

Sharma, S, (1996), Applied Multivariate Techniques, Jhon Wiley and Sons, inc, New
York.

49